1

AI應用的戰(zhàn)爭正在進入下半場。

在最近密集的模型更新中，無論是逆天的 Google Gemini3，還是 OpenAI 的“小更新”GPT-5.1，都在發(fā)布模型的時候重點強調了模型在應用里的集成。

與此同時，一直以開源模型打天下的阿里，也以千問之名集合了全部資源，開始發(fā)力 C 端應用，而已經悄悄建立起了全棧能力的螞蟻，也扔出獨立的靈光 App——一款基于代碼能力的全模態(tài)通用AI助手，它瞄準C端市場，提供全代碼生成多模態(tài)內容的能力，可以用自然語言在30秒內就生成一個小應用。最新的數據顯示，靈光上線一天下載量就破了20萬。

所有人來勢洶洶，都要搶奪一個入口的位置。

于是一個很有趣的問題出現：明明 AI 應用已經被講了很久，各家也都一直有動作，甚至明星應用創(chuàng)業(yè)公司也不停出現，但怎么最近才有了入口之爭的味道？

其實，過去雖然也曾討論“入口”，實則有很大不同。

上一個階段，其實一切 AI 應用的起點和源頭一直是ChatGPT。但要知道，ChatGPT 是一個歪打正著的“應用”，它從第一天就是模型的出口，而不是一整個新的用戶市場的需求入口。

DeepSeek 和 Kimi也是如此，一個從來就是弱化應用建設，一個則在權衡后把重心移回模型。最直接的體現，就是這些用戶不少的產品，至今都沒有多模態(tài)。

而用戶？用戶顯然是非常需要多模態(tài)的。

這些產品還有另一個共同點，就是他們一定會主打深度思考。這是因為這是體現模型能力最好的方式。但它其實并不是最普遍的大眾需要的功能。

說到底，這些應用都是在給模型提供出口，而不是給用戶的需求提供入口。

2

于是，在應用已經層出不窮很久后，今天最大的落差居然還是在于 AI 應用產品和用戶需求之間。

這些被巨額投資供養(yǎng)的 token，能不能被用在普通用戶一直存在的真實需求上，是今天最重要的主題。而這才是今天 AI 入口的爭奪點。

這也是為什么那些已經有大量用戶的國民級平臺產品，紛紛在此刻出手的原因之一。顯然他們的思路和做法都和模型廠商完全不同。

一個最值得研究的產品就是新鮮出爐的螞蟻靈光。它已經展現出和支付寶龐大生態(tài)聯動的巨大潛質，而這背后所蘊藏的想象空間，有可能重塑用戶與AI、用戶與互聯網入口的連接形態(tài)，開啟服務交互的新方式，這背后想象力巨大。

而更有意思的是，它與 Gemini3 對 Gemini 和 Google 此次帶來的最大改造居然有點不謀而合——主打一個把代碼生成藏在后面，利用代碼和多模態(tài)能力一起給用戶交付他們需要的可交互的結果，甚至靈光的兩個主要功能，靈光對話，對應 Gemini 的視覺布局（Visual layout），閃應用對應動態(tài)視圖（Dynamic View），一個是“像雜志一樣”的富媒體加可互動結果，另一個是快速給你構建 App。

本質上它們都在面向普通用戶提供“功能生成”級通用 AI 能力。

這個路線也迅速得到了正向反饋。作為首個全代碼生成AI助手，30秒生成可交互應用的獨特功能的確夠新鮮也夠搶手，上線后快速達到20萬的下載量就是一個印證。大量用戶碎片化的工具需求在這種模式里找到了解決方案。

在此前一個階段的AI應用產品熱潮里，諸多產品因為更多在扮演“模型能力出口”的角色，導致它們很多時候陷入了“演示級應用”的陷阱。

如何讓普通用戶也能通過AI形成自己的生產力，是這一波爭搶入口的應用的共性。

千問的產品里已經看到整合淘寶天貓等阿里系產品的雛形，想要用AI解決實際需求，而靈光的策略也很明顯，它在往“日常實用化”的方向傾斜。

當你使用靈光時，它給人的第一感覺就很不同。它的主頁上寫著它的目標，讓復雜信息變簡單。它不強調幫你做長篇報告，也不是把 coding 能力做成開發(fā)工具，而是把最復雜的 coding 能力用在了提供最簡單結果上，用戶不需要看那些代碼，但用戶需要代碼帶來的新體驗。

這是解決普通用戶需求的思路。

比如，經常出差的我一直希望有一個應用可以提醒我在要飛的航線上能夠看到的風景，我用靈光一句話做了一個閃應用，30秒不到，就有了這個功能。

在這個過程里，可以看出來它非常強調交互。無論在對話框里，還是閃應用的功能里，你的問題有交互，你的應用也必然可交互。

這種思路顯然有很大部分來自于螞蟻在服務上的基因，支付寶的服務是系統化和復雜的，各種各樣的需求必須通過多模態(tài)的交互來解決，

螞蟻通過靈光，正在嘗試構建起“需求-工具-服務”的閉環(huán)，而這對于下一階段AI入口競爭來說，會尤為關鍵。

3

在這種閉環(huán)背后，服務分發(fā)邏輯也重構了。過去，只有高頻、標準化的頭部需求值得被做成獨立的 App；而海量的長尾需求因為開發(fā)維護成本過高，只能被折疊在復雜的菜單深處。但當通用大模型的能力介入后，這些曾經因為過于瑣碎而被視為“累贅”的需求，突然擁有了被低成本、即時生成解決的可能。

在經典的“長尾理論”里，絕大多數超級平臺其實占據的是曲線左側高高聳立的頭部——比如搜索、比如社交，它們用標準化的產品滿足了人類最共性的需求。而螞蟻所在的領域，恰恰是曲線右側那條漫長而平緩的尾巴：交水電費、查社保、買票、分賬……

這些需求極其碎片、非標準化，難以像搜索那樣用一個簡單的框就解決所有問題。因此，過去二十年，互聯網解決長尾的方式只能是“堆砌”：用成百上千個入口去覆蓋，導致 App 越來越重。因為需求是平鋪的，平臺不得不把戰(zhàn)線拉得無限長。

但 AI 的出現，尤其是大模型帶來的通用性，提供了一種全新的解法：它把這張平鋪的長尾圖表，“立”了起來。

當模型的能力足夠通用，它就能用一套邏輯去動態(tài)生成千萬種解決方案。原本分散在右側、被認為無法形成“超級入口”的瑣碎需求，現在可以通過“功能生成”的方式被集中滿足。這就好比把右側漫長的尾巴折疊、累積，在 AI 的賦能下，變成了一座和左側頭部需求一樣高聳的新塔。

滿足這些需求的新方式，就是“靈光”這類產品在嘗試的“功能生成”。

當用戶在靈光里提出一個諸如“做一個家庭出游分攤賬本”這種極度個性化的長尾需求時，系統不再是去長尾里翻找一個現成的 App 推薦給你，而是利用“閃應用”的能力，即時生成一個可交互的工具。

當長尾需求被技術“立”起來成為新的高地，入口的定義也就此被改寫。如果說上半場大家是在給模型配一個對話框，爭奪的是通往模型的“流量入口”；那么下半場，大家爭奪的則是通往真實生活的“需求入口”。

在這樣的下半場里，當那些深諳需求的平臺也擁有了模型能力，或許他們比任何人都更接近那個真正的超級入口。